Das „unbekannte Problem“ ist eigentlich jedem, der Bewerberdaten analysiert, sehr vertraut. Es ist also gar nicht wirklich „unbekannt“. Das Problem ist jedoch viel umfassender, als man sich vorstellen kann, und hat Auswirkungen, die sich auf mehrere Analysen in Ihrem Affirmative Action Plan auswirken.
 

Unbekannter ethnischer Hintergrund und/oder Geschlecht in den Bewerberdaten

Ich habe noch nie einen Bewerberdatensatz gesehen, in dem nicht mehrere Felder für die ethnische Zugehörigkeit und/oder das Geschlecht leer gelassen oder als „unbekannt” gekennzeichnet waren. Die Frage ist: Wie fließen diese Daten in die Analyse ein, wenn überhaupt? Es mag naheliegend erscheinen, alle Bewerber auszuschließen, deren ethnische Zugehörigkeit und Geschlecht unbekannt sind. Aber was ist mit Kandidaten, die sich selbst für das eine, aber nicht für das andere identifizieren?

Und falls Sie meinen letzten Artikel „Getting it Right the First Time“ verpasst haben sollten, möchte ich hier noch einmal darauf hinweisen, dass Sie sicherstellen müssen, dass die Angaben zu ethnischer Zugehörigkeit und Geschlecht der eingestellten Kandidaten in der Bewerberliste aktualisiert werden, wenn diese sich zum Zeitpunkt der Einstellung selbst identifizieren. Die meisten Auftragnehmer der US-Bundesregierung verfügen über eine Datenbank für Bewerberinformationen, die vom HRIS-System getrennt ist. Das bedeutet, dass eine Einstellung im HRIS-System (mit bekannter ethnischer Zugehörigkeit und Geschlecht) im Bewerberprotokoll möglicherweise als unbekannte ethnische Zugehörigkeit und/oder Geschlecht aufgeführt ist. Es versteht sich von selbst, dass diese Datenanomalien korrigiert werden müssen, bevor Sie mit Ihrer Auswahl-Auswirkungs-Verhältnis-Analyse (IRA) beginnen.

Nehmen wir nun an, wir haben 1000 Bewerber für eine Stelle, von denen 900 Angaben zu ihrem Geschlecht gemacht haben, aber nur 500 Angaben zu ihrer ethnischen Zugehörigkeit und ihrem Geschlecht. Nehmen wir außerdem an, dass 300 der 400 Personen, die Angaben zu ihrem Geschlecht, aber nicht zu ihrer ethnischen Zugehörigkeit gemacht haben, männlich waren. Von den Bewerbern, die Angaben zu ihrer ethnischen Zugehörigkeit und ihrem Geschlecht gemacht haben, waren 250 weiblich und 250 männlich. Bei 150 ausgewählten Bewerbern, davon 100 männlichen und 50 weiblichen, würde der IRA 0,5 betragen, mit einer Standardabweichung von 4,88. Wenn wir dann die Bewerber mit bekanntem Geschlecht und unbekannter ethnischer Zugehörigkeit hinzufügen, würde die Auswahlquote für Frauen 50/350 und die Auswahlquote für Männer 100/550 betragen. Dies ergibt einen IRA von 0,79 ohne statistische Signifikanz.

Wie wir wissen, führt eine unterschiedliche Zusammensetzung des Geschlechts bei den Bewerbern mit „unbekannter ethnischer Zugehörigkeit/bekanntem Geschlecht“ zu einem anderen Ergebnis. Es ist wichtig zu verstehen, dass die Art und Weise, wie Sie mit Unbekannten umgehen, sich auf die Ergebnisse Ihrer Daten auswirkt. Um die Datenintegrität in diesem Prozess zu gewährleisten, müssen Sie Ihre Methode außerdem konsistent anwenden.
 

Unbekannte Behinderung und/oder Veteranenstatus in den Bewerberdaten

Da wir nun bei unserer Datenerhebung und -analyse den Behinderten- und Veteranenstatus berücksichtigen müssen, sollten wir Kandidaten ausschließen, die sich nicht selbst als Person mit Behinderung oder als Veteran identifiziert haben?

Warum ist das wichtig? Nehmen wir einmal an, Sie haben 1000 Bewerber für eine Stelle, von denen 600 sich selbst für alles identifizieren und 300 davon Menschen mit Behinderungen sind (ja, ich weiß, dass dies unwahrscheinlich ist, aber bleiben Sie bitte dabei). Wenn Sie 300 Bewerber auswählen und 100 davon Menschen mit Behinderungen sind, dann beträgt die Auswahlquote für Menschen mit Behinderungen 0,33 und die Quote für Menschen ohne Behinderungen 0,67, mit einem IRA von 0,5 und einer Standardabweichung von 8,16. Das ist ein Problem.

Auf der SWARM-Konferenz im letzten Jahr bestätigte Melissa Speer, Regionaldirektorin der OFCCP, dass wir bei der Analyse unserer Belegschaft zum Zwecke der Festlegung eines Nutzungsziels unbekannte Personen in unserer Belegschaft als Personen ohne Behinderung zählen. Das Gleiche sollten wir auch für unsere Bewerberdaten tun können.

Wenn wir nun die 400 Kandidaten als Personen ohne Behinderung in unsere Analyse einbeziehen, bleibt die Auswahlquote für Menschen mit Behinderung bei 0,33, aber die Auswahlquote für Menschen ohne Behinderung sinkt auf 0,29, mit einem IRA von 1,17. Nun haben wir keine nachteiligen Auswirkungen auf Menschen mit Behinderung mehr.

Die Vorschriften verlangen derzeit keine Analyse der negativen Auswirkungen auf Menschen mit Behinderung, aber wenn die Daten vorliegen, kann die Analyse durchgeführt werden. Dies ist ein Bereich, in dem Sie vorangehen sollten.
 

Unbekannte ethnische Zugehörigkeit und/oder Geschlecht in der Mitarbeiterdatenbank

Die OFCCP hat auf ihrer Website eine FAQ-Seite mit folgenden Informationen:

• Welches ist das richtige Verfahren für einen Auftragnehmer, um Informationen über die ethnische Herkunft seiner Mitarbeiter und Bewerber zu erhalten?

  Die OFCCP-Vorschriften 41 CFR 60-1.12(c) legen fest, dass ein Auftragnehmer in allen Personal- oder Beschäftigungsunterlagen das Geschlecht, die Rasse und die ethnische Zugehörigkeit jedes Mitarbeiters und, soweit möglich, das Geschlecht, die Rasse und die ethnische Zugehörigkeit jedes Bewerbers angeben muss.

  Die OFCCP hat keine bestimmte Methode zur Erhebung der Informationen vorgeschrieben. Die Selbstidentifizierung ist die zuverlässigste und bevorzugte Methode zur Erfassung von Informationen über das Geschlecht, die Ethnie und die ethnische Zugehörigkeit einer Person. Den Auftragnehmern wird nachdrücklich empfohlen, sich auf die Selbstauskunft der Mitarbeiter zu verlassen, um diese Informationen zu erhalten. Die visuelle Beobachtung ist eine akzeptable Methode zur Ermittlung demografischer Daten, auch wenn sie nicht in jedem Fall zuverlässig ist. Wenn eine Selbstidentifizierung nicht möglich ist, können Aufzeichnungen nach der Einstellung oder visuelle Beobachtung verwendet werden, um diese Informationen zu erhalten. Die Auftragnehmer sollten keine Vermutungen über das Geschlecht, die Ethnie oder die ethnische Zugehörigkeit eines Bewerbers oder Mitarbeiters anstellen. (Hervorhebung hinzugefügt)

Obwohl die Verordnung eine Null-Toleranz-Politik vorsieht, geht die Anleitung auf der OFCCP-Website davon aus, dass es Mitarbeiter mit unbekannter ethnischer Zugehörigkeit und/oder unbekanntem Geschlecht geben kann. Mit den neuen Vorschriften zur Geschlechtsidentität gewinnt diese Anleitung noch mehr an Bedeutung. Warum? Weil das Erraten des Geschlechts eines Mitarbeiters eine Grundlage für Diskriminierung sein könnte, insbesondere wenn Sie falsch liegen. Lassen Sie also Unbekanntes unbekannt.

Als Nächstes müssen Sie entscheiden, wie Sie die Daten mit Unbekannten in Ihrer Belegschaft analysieren möchten. Ihre AAP-Software lässt möglicherweise keine Unbekannten zu, aber die OFCCP möchte, dass alle Mitarbeiter im AAP berücksichtigt werden – unabhängig davon, ob Ihnen für einige Mitarbeiter Datenpunkte fehlen. Um ein möglichst genaues Bild Ihrer Belegschaft zu erhalten, sollten Unbekannte in möglichst vielen Analysen berücksichtigt werden. Viele der Analysen basieren nicht auf mathematischen Berechnungen, sodass es relativ einfach ist, Unbekannte in die Belegschaftsanalyse, die Jobgruppenanalyse und die Transaktionszusammenfassungen einzubeziehen. Unbekannte könnten dann aus der internen Verfügbarkeit, der externen Verfügbarkeit, der Zwei-Faktoren-Analyse, der Auslastungsanalyse und allen Wirkungsgrad-Analysen ausgeschlossen werden, da die Berechnungen auf den Datenpunkten zu ethnischer Zugehörigkeit und Geschlecht aller in die Analyse einbezogenen Mitarbeiter basieren.
 

Schlussfolgerung

Es ist nahezu unmöglich, die Anzahl der „Unbekannten“ in Ihren Datenanalysen vollständig zu eliminieren. Selbst unsere größten Anstrengungen, diese Informationen zu sammeln, führen selten zu einer 100-prozentigen Selbstidentifizierung hinsichtlich ethnischer Zugehörigkeit, Geschlecht, Behinderung und Veteranenstatus. Das Beste, was wir tun können, ist, uns dieser Realität anzupassen und eine konsistente und zuverlässige Strategie für den Umgang damit zu entwickeln. Seien Sie dann bereit, Ihren Ansatz zu verteidigen, wenn die OFCCP an Ihre Tür klopft.

Weitere Informationen zur Analyse von Daten mit unbekannten Faktoren erhalten Sie von Marilynn Schuyler unter [email protected].

Bitte beachten Sie: Dieser Artikel ist nicht als Rechtsberatung oder als Ersatz für eine professionelle Beratung über die besonderen Umstände Ihrer Organisation gedacht. Alle Originalmaterialien urheberrechtlich geschützt © Schuyler Affirmative Action Practice.

Anmerkung der Redaktion: Dieser Beitrag wurde ursprünglich auf Circaworks.com veröffentlicht. Im April 2023 übernahm Mitratech Circa, einen führenden Anbieter von Software für integratives Recruiting und OFCCP-Compliance. Der Inhalt wurde seitdem aktualisiert, um unser erweitertes Produktangebot, die sich entwickelnden Compliance-Vorschriften für die Talentakquise und Best Practices im Personalmanagement zu berücksichtigen.